working in progress

Beginning

Metadados da versao em ingles

  • Neste relatório são disponibilizados os códigos e as bases de dados utilizados no artigo

    • Para verificar os códigos, clique em Code

    • Os chuncks dos códigos estão comentados com informações antecedidas por #

    • Um versão deste relatorio em formato de script (arquivo .Rmd) pode ser encontrada no github dos autores

    • Os dados podem acessados em suas fontes originais nos respectivos links fornecidos oportunamente

00. Configurações prévias

  • Carregar pacotes

  • Definir funções

# limpar enviroment
rm(list = ls())

# Not run - Particular settings to my computer
path <- "C:/r_files/my_academic_projects/capacidades_ingles"
setwd(path)

# Desabilitar notação científica
#options(scipen = 999)

# Instalar este pacote para quem não o tem
#install.packages("pacman")

pacman::p_load(tidyverse, readxl, janitor, sjPlot, 
               scales, DataExplorer, DT, gridExtra,
               viridis, ggcorrplot, VGAM, geobr, ggthemes, 
               snakecase, abjutils, Hmisc)

Função para carregar as Munics

# A funcao carrega dois objetos: 
# 1 - O dicionário da Munic, contido na primeira aba do excel; 
# 2 - Os dados das Munics contidos em todas as demais abas, unidos por "A1"

carregar_munics <- function(link_da_munic, ano){
  # definir diretório e arquivo temporário
  wd_origin <- getwd()
  temp_dir <- tempdir()
  setwd(temp_dir)
  file.remove(list.files(path = temp_dir))
  temp_file <- tempfile(tmpdir = temp_dir)
  # Criar lista para armazenar arquivos 
  Munic_list <- list()
  # Download da Munic
  download.file(url = link_da_munic, destfile = temp_file)
  # unizip
  unzip(temp_file)
  # remover temporário
  file.remove(temp_file)
  # selecionar o arquivo xls
  file.xls <- list.files(pattern = "xls")
  # Nome da Munic
  Munic <- paste0("Munic_", ano)
  # Carregar todas as abas do excel  
  Munic <- file.xls %>% 
  excel_sheets() %>% 
  set_names() %>% 
  map(read_excel, path = file.xls)
  # remover arquivo xls da pasta temporaria
  file.remove(file.xls)
  # Nome do dicionario
  dic <- paste0("dic_", ano)
  # selecionar dicionário
  dic <- Munic[[1]]
  # excluir dicionário
  Munic[[1]] <- NULL
  # Mesclar todas as abas do excel
  Munic <- Munic %>% 
      reduce(full_join, by = "A1")
  # Criar nome da lista 
  list <- paste0("list_", Munic)
  # criar lista com dicionário e Munic
  list <- list(dic, Munic)
  # retornar ao diretório orginal
  setwd(wd_origin)
  # retornar objeto list com dicionário e Munics
  return(list)
}

01. Carregar dados

Munic 2014
  • dados da saúde e educação
Munic 2013 - Bloco Suplementar
  • dados da assistencia social
Munic 2015
  • dados dos consórcios nas três áreas (saúde, educ. e assist. social)
Pib
  • ano: 2014
IDH-M
  • ano: 2010
########################################
# Munic 2014
Munic_14_link <- "ftp://ftp.ibge.gov.br/Perfil_Municipios/2014/base_MUNIC_xls_2014.zip"

Munic_14 <- carregar_munics(link_da_munic = Munic_14_link,
                            ano = 2014)

Munic_dic_14 <- Munic_14[[1]]

Munic_14 <- Munic_14[[2]]

########################################
# Munic 2013 - Suplementar
Munic_13sup_link <- "ftp://ftp.ibge.gov.br/Perfil_Municipios/Assistencia_Social_2013/xls/base_assist_social_2013.zip"

Munic_13 <- carregar_munics(link_da_munic = Munic_13sup_link,
                            ano = 2013)

Munic_dic_13 <- Munic_13[[1]]

Munic_13 <- Munic_13[[2]]

########################################
# Munic 2015
Munic_15_link <- "ftp://ftp.ibge.gov.br/Perfil_Municipios/2015/Base_de_Dados/Base_MUNIC_2015_xls.zip"

Munic_15 <- carregar_munics(link_da_munic = Munic_15_link,
                            ano = 2015)

Munic_dic_15 <- Munic_15[[1]]

Munic_15 <- Munic_15[[2]]

########################################
# Transparencia

# Os dados foram baixados do link abaixo e armazedos no meu github para faciltar o download aqui
# 
# https://sig.mpf.mp.br/sig/servlet/mstrWeb?evt=3140&src=mstrWeb.3140&documentID=CD5BD3BA11E621B2E4D90080EFC54015&server=MSTRIS.PGR.MPF.MP.BR&Project=Ranking%20da%20Transparencia&port=0&share=1
  
transp <- rio::import("https://github.com/ronycoelho/databases/raw/master/D01_Ranking_da_Transpar%C3%AAncia_2016.xlsx", skip=2) %>% 
  janitor::clean_names()

########################################
# Pib   
pib_link <- "ftp://ftp.ibge.gov.br/Pib_Municipios/2017/base/base_de_dados_2010_2017_xls.zip"
temp_dir <- tempdir()
#
temp_file2 <- tempfile(tmpdir = temp_dir)
# download
download.file(url = pib_link, destfile = temp_file2)
#unzip
unzip(temp_file2)
# selecionar arquivo
file.xls <- list.files(pattern = "xls")

pib <- rio::import(file.xls)
file.remove(file.xls)

########################################    
# Carregar dados do idh-m
idhm_link <- "http://atlasbrasil.org.br/2013/data/rawData/atlas2013_dadosbrutos_pt.xlsx"

idhm <- rio::import(idhm_link, sheet = 2)
#idhm <- read_excel("idh_census.xlsx", sheet = 2)   

########################################
# Shape files dos mapas
shape_mun <- geobr::read_municipality(simplified = T, showProgress = F)
shape_estado <- geobr::read_state(simplified = T, showProgress = F)
Not run
# Uso particular para configurações no computador pessoal 
#getwd()
#save.image("capacities_raw_data.RData")
load("capacities_raw_data.RData")

Selecionar dados

###########################################
# Munic 2014 - saúde e educação
index_14 <- c("A263", # Conselho de Saúde
              "A273", # Plano de Saúde
              "A207", # Conselho de Educação
              "A203")

Munic_14_sel <- Munic_14 %>% 
  dplyr::select(A1, 
                A1022:A1029, # região, população e porte
                index_14)
###########################################    
#Munic 2013 - Assistência Social
    index_13 <- c("A1", 
                  "A199", # Conselho da Assit. Social
                  "A149") # Plano da Assist. Social
 
    Munic_13_sel <- Munic_13 %>% 
      dplyr::select(index_13) 
###########################################    
# Munic 2015 - consórcios
    index_15 <- c("A1", 
                  "A151", # Consórcio de Educação
                  "A155", # Consórcio de Saúde
                  "A159") # Consórcio de Assist. Social

    Munic_15_sel <- Munic_15 %>% 
      dplyr::select(index_15)

###########################################        
# Transparencia - 2016    
transp <- transp %>%
    select(uf, municipio, nota = nota_2ª_avaliacao) %>%
    mutate(municipio = to_snake_case(rm_accent(municipio)), 
           uf = str_to_lower(uf),
           manual_id = paste0(uf, "_",municipio)) %>%
    # Excluir estado  
    filter(municipio != "estado")  
      
      
###########################################        
# PIB - 2014
    pib <- clean_names(pib)
    pib_sel <- pib %>% #glimpse()
      filter(ano == 2014) %>% 
      select(A1 = codigo_do_municipio, ano, 
             pib_total = produto_interno_bruto_a_precos_correntes_r_1_000,
             pib_per_cap = produto_interno_bruto_per_capita_a_precos_correntes_r_1_00)%>%
      arrange(desc(pib_per_cap))
    
###########################################                
# IDH-M - 2010
    idhm_sel <- idhm %>% 
      dplyr::select(A1 = Codmun7, ANO, IDHM) %>% 
      filter(ANO==2010) %>% 
      arrange(desc(IDHM))

Mesclar bases

# garantir que os códigos possuem a mesma classficação
Munic_13_sel$A1 <- as.character(Munic_13_sel$A1)
Munic_15_sel$A1 <- as.character(Munic_15_sel$A1)
Munic_14_sel$A1 <- as.character(Munic_14_sel$A1)
pib_sel$A1 <- as.character(pib_sel$A1)
idhm_sel$A1 <- as.character(idhm_sel$A1)

# Criar variavel com código de 6 digitos para mesclar com a Munic 2013 e mesclar todas as Munics
capacities <- Munic_14_sel %>% 
  mutate(A1a = str_sub(A1,start = 1, end = 6)) %>% 
  select(A1, A1a, everything()) %>% 
  full_join(Munic_13_sel, by = c("A1a"="A1")) %>% 
  full_join(Munic_15_sel, by = c("A1"="A1"))

# Mesclar pib e idhm
capacities <- capacities %>% 
  full_join(pib_sel) %>% 
  full_join(idhm_sel)

# Criar variavel com manual_id para mesclar com a base da transparencia
capacities <- capacities %>%
  mutate(mun_temp = to_snake_case(rm_accent(A1027)), 
           uf_temp = str_to_lower(A1026),
           manual_id = paste0(uf_temp, "_",mun_temp)) %>%
  select(-c(mun_temp, uf_temp))
  
capacities <- capacities %>% 
  inner_join(transp, by = "manual_id") %>% 
  relocate(nota, .after = A159) %>% 
  select(-c(municipio, uf, manual_id))

Visualização parcial do banco

  • Apenas 10 primeiras linhas
  • Nomes das variáveis originais

Clique na seta no topo à direita para ver todas as colunas

capacities %>% head(10)

Organizar e renomenar variáveis

capacities <- capacities %>% 
  select(cod_mun = A1,
         nm_mun = A1027,
         populacao = A1028,
         faixa_pop = A1029,
         cod_est = A1022,
         nm_est = A1025,
         sg_est = A1026,
         regiao = A1024,
          # Planos
         pl_sa = A273,  
         pl_as = A149,  
         pl_ed = A203,  
         # Conselhos
         chl_sa = A263, 
         chl_as = A199, 
         chl_ed = A207, 
         # Consórciso
         consor_ed = A151,
          consor_sa = A155,
          consor_as = A159,
         # Transparencia
         nota_transp = nota,
         # 
         pib_total = pib_total,
         pib_per_cap = pib_per_cap, 
         ano_pib = ano,
         idhm = IDHM,
         ano_idhm = ANO)

Verificar e remover NAs

  • NA - Not Available (dados não disponíveis)
# Verificar existência de NAs
DataExplorer::plot_missing(capacities)

# NA - presentes apenas nos IDHM
# Excluir NA's
# Removidos 5 municipios não criados até 2010, portante sem o IDHM para esse ano.
capacities <- capacities %>% 
  drop_na(idhm)

DataExplorer::plot_missing(capacities)

02. Visualizar dados brutos

Podem ser baixados em formato excel ou csv

  • Legenda:

    • cod_mun = código do município
    • nm_mun = nome do município
    • cod_est = código do estado
    • nm_est = nome do estado
    • sg_est = sigla do estado
    • populacao = população do município
    • faixa_pop = classificação da faixa populacional (IBGE)
    • pl_ = plano setorial (sa = saúde; ed = educação; as = assistência social)
    • chl_ = conselho setorial (sa = saúde; ed = educação; as = assistência social)
    • consor_ = consórcios setoriais (sa = saúde; ed = educação; as = assistência social)
    • nota_tranp = nota do ranking da transparencia do MP
    • pib_total = Pib total do município
    • pib_per_cap = Pib per capta do município
    • ano_pib = ano de referência do Pib
    • idhm = IDHM do município
    • ano_idhm = ano de referência do IDHM
capacities %>%
  datatable(extensions = 'Buttons',
            rownames = F,
            options = list(dom = 'Blfrtip',
                           buttons = c('csv', 'excel'),
                          autoFill = TRUE,
                           fixedHeader = TRUE,
                           autowidth = TRUE,
                           paging = F,
                           scrollX = TRUE,
                           scrollY = "400px"))
Not run
# Uso particular para configurações de uso pessoal
#setwd("C:/r_files/my_academic_projects/capacidades/capacitties")
#save.image("capacities_1_raw.RData")
#load("capacities_1_raw.RData")

03. Manipulação

Filtrar munincípios

  • Selecionar aqueles com menos de 500.000 habitantes

De 5.272 mun. com dados disponiveis passamos a trabalhar com 5.236 (99%, ou 94% dos 5.570)

capacities_2 <- capacities %>% 
  filter(populacao <= 500000) %>% 
  mutate(faixa_pop = faixa_pop %>% as.factor())
# capacities_2 %>% 
#   mutate(regiao = str_remove(regiao, "\\d - "),
#          ) %>% glimpse()

Verificar aplicação

  • Visualizar:

    • Quantidades em cada categoria

    • Estatisticas descritivas básicas

    • Faixa de população por região

# unique(capacities_2$faixa_pop)
summary(capacities_2$faixa_pop) %>% knitr::kable()
x
1 - Até 5000 1166
2 - 5001 até 10000 1122
3 - 10001 até 20000 1310
4 - 20001 até 50000 1039
5 - 50001 até 100000 341
6 - 100001 até 500000 258 
summary(capacities_2$populacao)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     822    5450   11570   26551   24878  499776
  sjt.xtab(capacities_2$faixa_pop, 
                 capacities_2$regiao, 
                 encoding = "windows", 
                 show.summary = F,
                 show.row.prc = T,
                 show.col.prc = T,
           title = "Faixa de população por região")
Faixa de população por região
faixa_pop regiao Total
1 - Norte 2 - Nordeste 3 - Sudeste 4 - Sul 5 - Centro-Oeste
1 - Até 5000 73
6.3 %
17.3 % 		194
16.6 %
12 % 		351
30.1 %
22.2 % 		413
35.4 %
35.5 % 		135
11.6 %
29.9 % 		1166
100 %
22.3 %
2 - 5001 até 10000 78
7 %
18.4 % 		305
27.2 %
18.9 % 		360
32.1 %
22.8 % 		271
24.2 %
23.3 % 		108
9.6 %
23.9 % 		1122
100 %
21.4 %
3 - 10001 até 20000 101
7.7 %
23.9 % 		529
40.4 %
32.7 % 		353
26.9 %
22.4 % 		227
17.3 %
19.5 % 		100
7.6 %
22.1 % 		1310
100 %
25 %
4 - 20001 até 50000 104
10 %
24.6 % 		420
40.4 %
26 % 		285
27.4 %
18.1 % 		155
14.9 %
13.3 % 		75
7.2 %
16.6 % 		1039
100 %
19.8 %
5 - 50001 até 100000 43
12.6 %
10.2 % 		120
35.2 %
7.4 % 		106
31.1 %
6.7 % 		52
15.2 %
4.5 % 		20
5.9 %
4.4 % 		341
100 %
6.5 %
6 - 100001 até
500000 		24
9.3 %
5.7 % 		50
19.4 %
3.1 % 		123
47.7 %
7.8 % 		47
18.2 %
4 % 		14
5.4 %
3.1 % 		258
100 %
4.9 %
Total 423
8.1 %
100 % 		1618
30.9 %
100 % 		1578
30.1 %
100 % 		1165
22.2 %
100 % 		452
8.6 %
100 % 		5236
100 %
100 %

Classificar variáveis

character_col <- c("cod_mun", "nm_mun")

factor_col <- c("cod_est", "nm_est", "sg_est","faixa_pop", "regiao", "pl_sa", "pl_as", "pl_ed", "chl_sa", "chl_as", "chl_ed", "consor_ed", "consor_ed", "consor_sa", "consor_as") 

numeric_col <- c("populacao",  "pib_total", "pib_per_cap", "ano_pib", "idhm","ano_idhm", "nota_transp")

capacities_2 <- capacities_2 %>% 
  mutate_at(character_col, as.character) %>% 
  mutate_at(factor_col, as.factor) %>% 
  mutate_at(numeric_col, as.numeric)

Sumário das variáveis

  • Numéricas: são apresentados valores mínimos, máximos, média, mediana etc.

  • Categóricas: categorias e quantidade de cada uma

  • Character: quantidade de valores únicos

summary(capacities_2)
##    cod_mun             nm_mun            populacao     
##  Length:5236        Length:5236        Min.   :   822  
##  Class :character   Class :character   1st Qu.:  5450  
##  Mode  :character   Mode  :character   Median : 11570  
##                                        Mean   : 26551  
##                                        3rd Qu.: 24878  
##                                        Max.   :499776  
##                                                        
##                  faixa_pop       cod_est                   nm_est    
##  1 - Até 5000         :1166   31     : 788   Minas Gerais     : 788  
##  2 - 5001 até 10000   :1122   35     : 626   São Paulo        : 626  
##  3 - 10001 até 20000  :1310   43     : 484   Rio Grande do Sul: 484  
##  4 - 20001 até 50000  :1039   29     : 405   Bahia            : 405  
##  5 - 50001 até 100000 : 341   41     : 394   Paraná           : 394  
##  6 - 100001 até 500000: 258   42     : 287   Santa Catarina   : 287  
##                               (Other):2252   (Other)          :2252  
##      sg_est                  regiao               pl_sa         pl_as     
##  MG     : 788   1 - Norte       : 423   Não          : 125   Não   : 311  
##  SP     : 626   2 - Nordeste    :1618   Não informado:   3   Recusa:   1  
##  RS     : 484   3 - Sudeste     :1578   Recusa       :   1   Sim   :4924  
##  BA     : 405   4 - Sul         :1165   Sim          :5107                
##  PR     : 394   5 - Centro-Oeste: 452                                     
##  SC     : 287                                                             
##  (Other):2252                                                             
##            pl_ed                chl_sa        chl_as               chl_ed    
##  Não          :2912   Não          :  11   Não   :   6   Não          : 617  
##  Não informado:   3   Não informado:   2   Recusa:   1   Não informado:   3  
##  Recusa       :   1   Recusa       :   1   Sim   :5229   Recusa       :   1  
##  Sim          :2320   Sim          :5222                 Sim          :4615  
##                                                                              
##                                                                              
##                                                                              
##          consor_ed            consor_sa            consor_as   
##  Não          :4888   Não          :2557   Não          :4800  
##  Não informado:   1   Não informado:   1   Não informado:   1  
##  Recusa       :   1   Recusa       :   1   Recusa       :   1  
##  Sim          : 346   Sim          :2677   Sim          : 434  
##                                                                
##                                                                
##                                                                
##   nota_transp       pib_total         pib_per_cap        ano_pib    
##  Min.   : 0.000   Min.   :   11715   Min.   :  3082   Min.   :2014  
##  1st Qu.: 3.400   1st Qu.:   67344   1st Qu.:  8102   1st Qu.:2014  
##  Median : 5.600   Median :  147980   Median : 14240   Median :2014  
##  Mean   : 5.332   Mean   :  639404   Mean   : 18941   Mean   :2014  
##  3rd Qu.: 7.500   3rd Qu.:  385900   3rd Qu.: 22980   3rd Qu.:2014  
##  Max.   :10.000   Max.   :58004933   Max.   :815698   Max.   :2014  
##                                                                     
##       idhm           ano_idhm   
##  Min.   :0.4180   Min.   :2010  
##  1st Qu.:0.6030   1st Qu.:2010  
##  Median :0.6690   Median :2010  
##  Mean   :0.6613   Mean   :2010  
##  3rd Qu.:0.7180   3rd Qu.:2010  
##  Max.   :0.8620   Max.   :2010  
##

Filtrar casos com “recusa”

  • 1 mun. (cod_mun: 2102150) recusou-se a responder todas as questões

  • 1 mun. (cod_mun: 2102150) recusou-se a responder questões sobre consórcios

  • Outros casos serão excluídos oportunamente

# capacities_2[which(capacities_2$sc_as == "Recusa"), ]
# capacities_2[which(capacities_2$sc_ed == "Recusa"), ]
# capacities_2[which(capacities_2$consor_ed == "Recusa"), ]

# # A tibble: 1 x 31
#   cod_mun nm_mun populacao faixa_pop cod_est nm_est sg_est regiao sc_sa sc_as sc_ed pl_sa pl_as pl_ed
#   <chr>   <chr>      <dbl> <fct>     <fct>   <fct>  <fct>  <fct>  <fct> <fct> <fct> <fct> <fct> <fct>
# 1 2102150 Brejo~      4291 1 - Até ~ 21      Maran~ MA     2 - N~ Recu~ Recu~ Recu~ Recu~ Recu~ Recu~

# Filtrar 1 municipio com recusa para todas as variáveis
capacities_2 <- filter(capacities_2, cod_mun != 2102150) 
capacities_2 <- filter(capacities_2, cod_mun != 4110508) 

# 4.915 casos

IDHM

  • Quintis
#Verificar quantiles 
quant_idhm <- quantile(capacities_2$idhm, c(.2,.4,.6,.8,1))

# 20%   40%   60%   80%  100% 
# 0.592 0.643 0.691 0.728 0.862 

quant_idhm %>% knitr::kable()
x
20% 0.592
40% 0.643
60% 0.691
80% 0.728
100% 0.862

Categorizar IDHM

capacities_2 <- capacities_2 %>% 
  mutate(idhm_quintil = case_when(
    idhm <= 0.592 ~ "primeiro",
    idhm >= 0.593 & idhm <= 0.643 ~ "segundo",
    idhm >= 0.644 & idhm <= 0.691 ~ "terceiro",
    idhm >= 0.692 & idhm <= 0.728 ~ "quarto",
    idhm >= 0.729 ~ "quinto"))
    

levels_idhm = c("primeiro", "segundo", "terceiro", "quarto", "quinto")

capacities_2$idhm_quintil <- ordered(capacities_2$idhm_quintil, 
               levels = c(levels_idhm))

Verificar aplicação

capacities_2 %>% 
  count(idhm_quintil, name = "qtdd_de_mun") %>% 
  mutate(perc = round(qtdd_de_mun/sum(qtdd_de_mun)*100, 1))

Mapa IDHM 2010

map_idhm <- capacities_2 %>% 
  select(cod_mun, idhm) 

map_idhm <- shape_mun %>% 
  mutate(code_muni = as.character(code_muni)) %>% 
  full_join(map_idhm, by= c("code_muni" = "cod_mun"))

#####################
theme_map_manual <- function(){
        theme(legend.position = c(0.2, 0.5), 
        legend.justification = c("right", "top"),
        legend.background = element_blank(),
        plot.title=element_text( hjust=0, vjust=-5, face='bold', size = 12))
}        
ggplot(map_idhm)+
  geom_sf(aes(fill=idhm), colour = alpha("white", .2), lty=3)+
  scale_fill_viridis_c("HDI-M", option = "inferno")+
  geom_sf(data=shape_estado, fill=NA, color = "black")+
  ggthemes::theme_map()+
  theme_map_manual()+
  ggtitle("IDHM")

Dummies

  • Transformar variáveis em dummies

Transformar todas as respostas “Sim” = 1;

Todas demais opções (“Não”, “Não informado”, etc) = 0

Depois, realizar a contagem de “Sim” e classificar

Planos

  • realizar contagem de “Sim” e categorizar
levels_cat <- c("Não possui" ,"Possui 1", "Possui 2","Possui 3")

# # Verificar lables
# unique(capacities_1$pl_as)
# unique(capacities_1$pl_sa)
# unique(capacities_1$pl_ed)

# Criar dummies 1 = Sim; 0 = Não.
capacities_2 <- capacities_2 %>%
  mutate_at(vars(pl_sa:pl_ed), funs(ifelse(.== "Sim", 1, 0))) 

# Contar quantidade de "sim" e organizar colunas
capacities_2 <- capacities_2 %>% 
  mutate(Num_pl = rowSums(select(.,pl_sa:pl_ed)))%>% 
  relocate(Num_pl, .after = pl_ed)

# Categorizar quantidade de planos planos
capacities_2 <- capacities_2 %>%
  mutate(Pl_class = case_when(
    Num_pl == 3 ~ "Possui 3",
    Num_pl == 2 ~ "Possui 2",
    Num_pl == 1 ~ "Possui 1",
    Num_pl == 0 ~ "Não possui")) %>% 
    relocate(Pl_class, .after = Num_pl)

capacities_2$Pl_class <- ordered(capacities_2$Pl_class, 
               levels = c(levels_cat))

capacities_2 %>% 
  count(Pl_class, name = "quantidade") %>% 
  mutate(perc = round(quantidade/sum(quantidade)*100,1))
sjt.xtab(capacities_2$idhm_quintil, 
                 capacities_2$Pl_class, 
                 encoding = "windows", 
                 show.summary = F,
                 show.row.prc = T,
                 show.col.prc = T,
           title = "Norte")
Norte
idhm_quintil Pl_class Total
Não possui Possui 1 Possui 2 Possui 3
primeiro 1
0.1 %
14.3 % 		90
8.3 %
40 % 		692
63.8 %
24 % 		301
27.8 %
14.2 % 		1084
100 %
20.7 %
segundo 3
0.3 %
42.9 % 		48
4.7 %
21.3 % 		606
59.1 %
21 % 		368
35.9 %
17.4 % 		1025
100 %
19.6 %
terceiro 3
0.3 %
42.9 % 		37
3.5 %
16.4 % 		558
53.4 %
19.4 % 		447
42.8 %
21.1 % 		1045
100 %
20 %
quarto 0
0 %
0 % 		27
2.6 %
12 % 		543
51.6 %
18.8 % 		483
45.9 %
22.8 % 		1053
100 %
20.1 %
quinto 0
0 %
0 % 		23
2.2 %
10.2 % 		484
47.1 %
16.8 % 		520
50.6 %
24.5 % 		1027
100 %
19.6 %
Total 7
0.1 %
100 % 		225
4.3 %
100 % 		2883
55.1 %
100 % 		2119
40.5 %
100 % 		5234
100 %
100 %

Conselhos

  • realizar contagem de “Sim” e categorizar
# # Verificar lables
# unique(capacities_1$chl_as)
# unique(capacities_1$chl_sa)
# unique(capacities_1$chl_ed)


# Criar dummies 1 = Sim; 0 = Não.
capacities_2 <- capacities_2 %>% 
  mutate_at(vars(chl_sa:chl_ed), funs(ifelse(.== "Sim", 1, 0))) 

# Contar quantidade de "sim" e organizar colunas
capacities_2 <- capacities_2 %>% 
  mutate(Num_chl = rowSums(select(.,chl_sa:chl_ed)))%>% 
  relocate(Num_chl, .after = chl_ed)

# Categorizar quantidade de planos planos
capacities_2 <- capacities_2 %>% 
  mutate(Chl_class = case_when(
    Num_chl == 3 ~ "Possui 3",
    Num_chl == 2 ~ "Possui 2",
    Num_chl == 1 ~ "Possui 1",
    Num_chl == 0 ~ "Não possui")) %>% 
    relocate(Chl_class, .after = Num_chl)

capacities_2$Chl_class <- ordered(capacities_2$Chl_class, 
               levels = c(levels_cat))

capacities_2 %>% 
  count(Chl_class, name = "quantidade") %>% 
  mutate(perc = round(quantidade/sum(quantidade)*100, 1))
  sjt.xtab(capacities_2$idhm_quintil, 
                 capacities_2$Chl_class, 
                 encoding = "windows", 
                 show.summary = F,
                 show.row.prc = T,
                 show.col.prc = T,
           title = "Norte")
Norte
idhm_quintil Chl_class Total
Não possui Possui 1 Possui 2 Possui 3
primeiro 0
0 %
0 % 		1
0.1 %
12.5 % 		188
17.3 %
30.2 % 		895
82.6 %
19.4 % 		1084
100 %
20.7 %
segundo 0
0 %
0 % 		2
0.2 %
25 % 		155
15.1 %
24.9 % 		868
84.7 %
18.9 % 		1025
100 %
19.6 %
terceiro 0
0 %
0 % 		3
0.3 %
37.5 % 		144
13.8 %
23.1 % 		898
85.9 %
19.5 % 		1045
100 %
20 %
quarto 0
0 %
0 % 		1
0.1 %
12.5 % 		97
9.2 %
15.6 % 		955
90.7 %
20.7 % 		1053
100 %
20.1 %
quinto 0
0 %
0 % 		1
0.1 %
12.5 % 		39
3.8 %
6.3 % 		987
96.1 %
21.4 % 		1027
100 %
19.6 %
Total 0
0 %
100 % 		8
0.2 %
100 % 		623
11.9 %
100 % 		4603
87.9 %
100 % 		5234
100 %
100 %

Consórcios

  • realizar contagem de “Sim” e categorizar
# # Assistência Social
# levels(capacities_2$consor_as)
# levels(capacities_2$consor_ed)
# levels(capacities_2$consor_sa)

capacities_2 <- capacities_2 %>% 
  mutate_at(vars(consor_ed:consor_as), 
            funs(ifelse(.== "Sim", 1, 0)))

# Contar quantidade de "sim" e organizar colunas
capacities_2 <- capacities_2 %>% 
  mutate(Num_consor = rowSums(select(.,consor_ed:consor_as)))%>% 
  relocate(Num_consor, .after = consor_as)

# Categorizar quantidade de planos planos
capacities_2 <- capacities_2 %>% 
  mutate(Consor_class = case_when(
    Num_consor == 3 ~ "Possui 3",
    Num_consor == 2 ~ "Possui 2",
    Num_consor == 1 ~ "Possui 1",
    Num_consor == 0 ~ "Não possui")) %>% 
    relocate(Consor_class, .after = Num_consor)

capacities_2$Consor_class <- ordered(capacities_2$Consor_class,
               levels = c(levels_cat))

capacities_2 %>% 
  count(Consor_class, name = "quantidade") %>% 
  mutate(perc = round(quantidade/sum(quantidade)*100,1))
  sjt.xtab(capacities_2$idhm_quintil, 
                 capacities_2$Consor_class, 
                 encoding = "windows", 
                 show.summary = F,
                 show.row.prc = T,
                 show.col.prc = T,
           title = "Norte")
Norte
idhm_quintil Consor_class Total
Não possui Possui 1 Possui 2 Possui 3
primeiro 774
71.4 %
31.4 % 		211
19.5 %
9.1 % 		28
2.6 %
13.5 % 		71
6.5 %
29.7 % 		1084
100 %
20.7 %
segundo 526
51.3 %
21.4 % 		424
41.4 %
18.2 % 		33
3.2 %
15.9 % 		42
4.1 %
17.6 % 		1025
100 %
19.6 %
terceiro 383
36.7 %
15.6 % 		581
55.6 %
25 % 		51
4.9 %
24.6 % 		30
2.9 %
12.6 % 		1045
100 %
20 %
quarto 354
33.6 %
14.4 % 		603
57.3 %
25.9 % 		57
5.4 %
27.5 % 		39
3.7 %
16.3 % 		1053
100 %
20.1 %
quinto 425
41.4 %
17.3 % 		507
49.4 %
21.8 % 		38
3.7 %
18.4 % 		57
5.6 %
23.8 % 		1027
100 %
19.6 %
Total 2462
47 %
100 % 		2326
44.4 %
100 % 		207
4 %
100 % 		239
4.6 %
100 % 		5234
100 %
100 %

Nova base 2

Criada para preservar os dados brutos em caso de reutilização

capacities_3 <- capacities_2

04. Ver dados manipulados

capacities_3 %>%
  datatable(extensions = 'Buttons',
            rownames = F,
            options = list(dom = 'Blfrtip',
                           buttons = c('csv', 'excel'),
                          autoFill = TRUE,
                           fixedHeader = TRUE,
                           autowidth = TRUE,
                           paging = F,
                           scrollX = TRUE,
                           scrollY = "400px"))

Verificar e remover NA’s

  • NA - Not Available (dados não disponíveis)
# Verificar existência de NAs
DataExplorer::plot_missing(capacities_3)

Not run
# Uso particular para configurações
# setwd("C:/r_files/my_academic_projects/capacidades/capacitties")
#save.image("capacities_raw_data_3.RData")
#load("capacities_raw_data_3.RData")
capacities_4 <- capacities_3

05. Matriz de correlação

cap_cor <- capacities_4 %>% 
  select(pib_per_cap, idhm, starts_with("Num"), nota_transp, populacao)

corr <- round(cor(cap_cor), 2)

ggcorrplot(corr, hc.order = F, 
           type = "lower", 
           show.diag = T,
           pch = 12,
           pch.cex = 12,
           tl.cex = 12,
           lab = TRUE, 
           lab_size = 3, 
           method="circle", 
           colors = c("tomato2", "white", "springgreen3"), 
           title="Correlação entre variáveis numéricas", 
           ggtheme=theme_bw)

06. Regressões

  • Rodadas com a função vglm, do pacote ‘VGAM’, e os argumentos family = cumulative(parallel = T, reverse = T)

No artigo foram reportadas apenas a coluna Estimate e o p-value

Brasil

  • 4.844 casos
olr_brasil <- vglm(idhm_quintil ~ log(pib_per_cap) + 
                  Num_pl + Num_chl + Num_consor + nota_transp,  
                  data = capacities_4, family = cumulative(parallel = T, reverse = T))

summary(olr_brasil)
## 
## Call:
## vglm(formula = idhm_quintil ~ log(pib_per_cap) + Num_pl + Num_chl + 
##     Num_consor + nota_transp, family = cumulative(parallel = T, 
##     reverse = T), data = capacities_4)
## 
## Pearson residuals:
##                        Min       1Q   Median       3Q    Max
## logitlink(P[Y>=2])  -43.80  0.03139  0.10582  0.27232  4.769
## logitlink(P[Y>=3])  -34.89 -0.29389  0.10782  0.34114 55.185
## logitlink(P[Y>=4]) -370.44 -0.28485 -0.10509  0.36658  7.270
## logitlink(P[Y>=5])  -49.46 -0.33983 -0.09526 -0.04057  7.849
## 
## Coefficients: 
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept):1    -29.26644    0.59911 -48.850  < 2e-16 ***
## (Intercept):2    -30.95656    0.61420 -50.402  < 2e-16 ***
## (Intercept):3    -32.51208    0.63052 -51.564  < 2e-16 ***
## (Intercept):4    -34.15556    0.64611 -52.863  < 2e-16 ***
## log(pib_per_cap)   3.00697    0.05977  50.311  < 2e-16 ***
## Num_pl             0.30523    0.04735   6.447 1.14e-10 ***
## Num_chl            0.56459    0.08134   6.941 3.89e-12 ***
## Num_consor         0.19052    0.03552   5.364 8.15e-08 ***
## nota_transp        0.08806    0.01038   8.481  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Names of linear predictors: logitlink(P[Y>=2]), logitlink(P[Y>=3]), 
## logitlink(P[Y>=4]), logitlink(P[Y>=5])
## 
## Residual deviance: 12553.48 on 20927 degrees of freedom
## 
## Log-likelihood: -6276.738 on 20927 degrees of freedom
## 
## Number of Fisher scoring iterations: 7 
## 
## Warning: Hauck-Donner effect detected in the following estimate(s):
## 'log(pib_per_cap)'
## 
## 
## Exponentiated coefficients:
## log(pib_per_cap)           Num_pl          Num_chl       Num_consor 
##        20.226011         1.356931         1.758728         1.209883 
##      nota_transp 
##         1.092059

Norte

  • 368 casos
norte <- capacities_4 %>% 
  filter(regiao == "1 - Norte")

olr_norte <- vglm(idhm_quintil ~ log(pib_per_cap) + 
                  Num_pl + Num_chl + Num_consor + nota_transp,  
                  data = norte, family = cumulative(parallel = T, reverse = T))

summary(olr_norte)
## 
## Call:
## vglm(formula = idhm_quintil ~ log(pib_per_cap) + Num_pl + Num_chl + 
##     Num_consor + nota_transp, family = cumulative(parallel = T, 
##     reverse = T), data = norte)
## 
## Pearson residuals:
##                       Min      1Q   Median       3Q    Max
## logitlink(P[Y>=2]) -9.340 -0.6557  0.21747  0.68174  2.820
## logitlink(P[Y>=3]) -7.412 -0.5635 -0.21875  0.33111  3.869
## logitlink(P[Y>=4]) -3.762 -0.2162 -0.10028 -0.06227 11.660
## logitlink(P[Y>=5]) -2.783 -0.0971 -0.05959 -0.03689  4.521
## 
## Coefficients: 
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept):1    -27.09159    2.33549 -11.600   <2e-16 ***
## (Intercept):2    -29.01928    2.38796 -12.152   <2e-16 ***
## (Intercept):3    -31.32731    2.46686 -12.699   <2e-16 ***
## (Intercept):4    -32.40591    2.51100 -12.906   <2e-16 ***
## log(pib_per_cap)   2.75557    0.24681  11.165   <2e-16 ***
## Num_pl             0.20443    0.16825   1.215   0.2243    
## Num_chl            0.53748    0.21602   2.488   0.0128 *  
## Num_consor        -0.05875    0.14735  -0.399   0.6901    
## nota_transp        0.04977    0.03563   1.397   0.1624    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Names of linear predictors: logitlink(P[Y>=2]), logitlink(P[Y>=3]), 
## logitlink(P[Y>=4]), logitlink(P[Y>=5])
## 
## Residual deviance: 902.647 on 1683 degrees of freedom
## 
## Log-likelihood: -451.3235 on 1683 degrees of freedom
## 
## Number of Fisher scoring iterations: 6 
## 
## Warning: Hauck-Donner effect detected in the following estimate(s):
## '(Intercept):1', '(Intercept):3'
## 
## 
## Exponentiated coefficients:
## log(pib_per_cap)           Num_pl          Num_chl       Num_consor 
##       15.7300643        1.2268312        1.7116833        0.9429448 
##      nota_transp 
##        1.0510292

Nordeste

  • 1.574 casos
nordeste <- capacities_4 %>% 
  filter(regiao == "2 - Nordeste")

olr_nordeste <- vglm(idhm_quintil ~ log(pib_per_cap) + 
                  Num_pl + Num_chl + Num_consor + nota_transp,  
                  data = nordeste, family = cumulative(parallel = T, reverse = T))

summary(olr_nordeste)
## 
## Call:
## vglm(formula = idhm_quintil ~ log(pib_per_cap) + Num_pl + Num_chl + 
##     Num_consor + nota_transp, family = cumulative(parallel = T, 
##     reverse = T), data = nordeste)
## 
## Pearson residuals:
##                        Min       1Q   Median       3Q    Max
## logitlink(P[Y>=2]) -10.421 -0.77451 -0.46641  0.93483  3.062
## logitlink(P[Y>=3])  -5.681 -0.33778 -0.17466 -0.12464  5.333
## logitlink(P[Y>=4])  -1.396 -0.08197 -0.05972 -0.04565 17.767
## logitlink(P[Y>=5])  -2.595 -0.03640 -0.02651 -0.02030 13.393
## 
## Coefficients: 
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept):1    -21.99901    1.22276 -17.991  < 2e-16 ***
## (Intercept):2    -24.54938    1.26115 -19.466  < 2e-16 ***
## (Intercept):3    -26.63535    1.31052 -20.324  < 2e-16 ***
## (Intercept):4    -28.24505    1.37289 -20.573  < 2e-16 ***
## log(pib_per_cap)   2.15806    0.12471  17.304  < 2e-16 ***
## Num_pl             0.45680    0.09299   4.913 8.99e-07 ***
## Num_chl            0.38737    0.17700   2.189   0.0286 *  
## Num_consor         0.07538    0.06665   1.131   0.2581    
## nota_transp        0.07731    0.01959   3.947 7.90e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Names of linear predictors: logitlink(P[Y>=2]), logitlink(P[Y>=3]), 
## logitlink(P[Y>=4]), logitlink(P[Y>=5])
## 
## Residual deviance: 2800.062 on 6459 degrees of freedom
## 
## Log-likelihood: -1400.031 on 6459 degrees of freedom
## 
## Number of Fisher scoring iterations: 6 
## 
## Warning: Hauck-Donner effect detected in the following estimate(s):
## '(Intercept):2', '(Intercept):4'
## 
## 
## Exponentiated coefficients:
## log(pib_per_cap)           Num_pl          Num_chl       Num_consor 
##         8.654291         1.579018         1.473108         1.078293 
##      nota_transp 
##         1.080382

Centro-Oeste

  • 418 casos
centro_oeste <- capacities_4 %>% 
  filter(regiao == "5 - Centro-Oeste")

olr_centro_oeste <- vglm(idhm_quintil ~ log(pib_per_cap) + 
                  Num_pl + Num_chl + Num_consor + nota_transp,  
                  data = centro_oeste, family = cumulative(parallel = T, reverse = T))

summary(olr_centro_oeste)
## 
## Call:
## vglm(formula = idhm_quintil ~ log(pib_per_cap) + Num_pl + Num_chl + 
##     Num_consor + nota_transp, family = cumulative(parallel = T, 
##     reverse = T), data = centro_oeste)
## 
## Pearson residuals:
##                        Min       1Q  Median       3Q   Max
## logitlink(P[Y>=2]) -14.735  0.04734  0.0650  0.08905 0.512
## logitlink(P[Y>=3])  -5.971  0.12620  0.2105  0.37207 1.271
## logitlink(P[Y>=4])  -3.770 -0.87727  0.1999  0.87472 3.894
## logitlink(P[Y>=5])  -1.281 -0.44309 -0.2286 -0.13645 4.213
## 
## Coefficients: 
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept):1    -11.41377    1.85820  -6.142 8.13e-10 ***
## (Intercept):2    -13.75266    1.82499  -7.536 4.86e-14 ***
## (Intercept):3    -16.30317    1.86149  -8.758  < 2e-16 ***
## (Intercept):4    -18.55585    1.91209  -9.704  < 2e-16 ***
## log(pib_per_cap)   1.39548    0.17544   7.954 1.81e-15 ***
## Num_pl             0.36194    0.17277   2.095  0.03618 *  
## Num_chl            0.66199    0.21066   3.142  0.00168 ** 
## Num_consor        -0.63411    0.12143  -5.222 1.77e-07 ***
## nota_transp        0.01938    0.03535   0.548  0.58356    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Names of linear predictors: logitlink(P[Y>=2]), logitlink(P[Y>=3]), 
## logitlink(P[Y>=4]), logitlink(P[Y>=5])
## 
## Residual deviance: 1032.208 on 1799 degrees of freedom
## 
## Log-likelihood: -516.104 on 1799 degrees of freedom
## 
## Number of Fisher scoring iterations: 5 
## 
## No Hauck-Donner effect found in any of the estimates
## 
## 
## Exponentiated coefficients:
## log(pib_per_cap)           Num_pl          Num_chl       Num_consor 
##        4.0368938        1.4361059        1.9386415        0.5304061 
##      nota_transp 
##        1.0195656

Sudeste

  • 1.407 casos
sudeste <- capacities_4 %>% 
  filter(regiao == "3 - Sudeste")

olr_sudeste <- vglm(idhm_quintil ~ log(pib_per_cap) + 
                  Num_pl + Num_chl + Num_consor + nota_transp,  
                  data = sudeste, family = cumulative(parallel = T, reverse = T))

summary(olr_sudeste)
## 
## Call:
## vglm(formula = idhm_quintil ~ log(pib_per_cap) + Num_pl + Num_chl + 
##     Num_consor + nota_transp, family = cumulative(parallel = T, 
##     reverse = T), data = sudeste)
## 
## Pearson residuals:
##                         Min       1Q   Median     3Q     Max
## logitlink(P[Y>=2])   -8.952  0.03505  0.06375 0.1236  0.9199
## logitlink(P[Y>=3])   -6.660  0.06125  0.13717 0.3638 17.4410
## logitlink(P[Y>=4]) -165.294 -0.44732  0.17813 0.5577  3.8795
## logitlink(P[Y>=5])  -28.260 -0.58595 -0.16078 0.5330  5.6784
## 
## Coefficients: 
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept):1    -22.49084    1.15799 -19.422  < 2e-16 ***
## (Intercept):2    -24.71880    1.16934 -21.139  < 2e-16 ***
## (Intercept):3    -26.67180    1.19638 -22.294  < 2e-16 ***
## (Intercept):4    -28.42746    1.22186 -23.266  < 2e-16 ***
## log(pib_per_cap)   2.46284    0.11500  21.416  < 2e-16 ***
## Num_pl             0.04993    0.08723   0.572    0.567    
## Num_chl            0.92412    0.17608   5.248 1.54e-07 ***
## Num_consor        -0.48784    0.07837  -6.225 4.83e-10 ***
## nota_transp        0.17070    0.02076   8.223  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Names of linear predictors: logitlink(P[Y>=2]), logitlink(P[Y>=3]), 
## logitlink(P[Y>=4]), logitlink(P[Y>=5])
## 
## Residual deviance: 3573.381 on 6303 degrees of freedom
## 
## Log-likelihood: -1786.691 on 6303 degrees of freedom
## 
## Number of Fisher scoring iterations: 7 
## 
## Warning: Hauck-Donner effect detected in the following estimate(s):
## 'log(pib_per_cap)'
## 
## 
## Exponentiated coefficients:
## log(pib_per_cap)           Num_pl          Num_chl       Num_consor 
##       11.7381161        1.0511938        2.5196503        0.6139533 
##      nota_transp 
##        1.1861390

Sul

  • 1.077 casos
sul <- capacities_4 %>% 
  filter(regiao == "4 - Sul")

olr_sul <- vglm(idhm_quintil ~ log(pib_per_cap) + 
                  Num_pl + Num_chl + Num_consor + nota_transp,  
                  data = sul, family = cumulative(parallel = T, reverse = T))

summary(olr_sul)
## 
## Call:
## vglm(formula = idhm_quintil ~ log(pib_per_cap) + Num_pl + Num_chl + 
##     Num_consor + nota_transp, family = cumulative(parallel = T, 
##     reverse = T), data = sul)
## 
## Pearson residuals:
##                        Min       1Q   Median     3Q    Max
## logitlink(P[Y>=2])  -8.814  0.02784  0.04153 0.0599 0.9119
## logitlink(P[Y>=3]) -16.295  0.08605  0.13305 0.2500 1.3001
## logitlink(P[Y>=4]) -13.279 -0.39321  0.25031 0.6572 2.3672
## logitlink(P[Y>=5])  -5.628 -0.72703 -0.27732 0.7930 4.3159
## 
## Coefficients: 
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept):1    -21.71768    1.79491 -12.100  < 2e-16 ***
## (Intercept):2    -24.40850    1.74764 -13.967  < 2e-16 ***
## (Intercept):3    -26.47942    1.76257 -15.023  < 2e-16 ***
## (Intercept):4    -28.28458    1.78813 -15.818  < 2e-16 ***
## log(pib_per_cap)   2.56114    0.17023  15.046  < 2e-16 ***
## Num_pl             0.06563    0.10329   0.635 0.525178    
## Num_chl            0.33007    0.18739   1.761 0.078168 .  
## Num_consor         0.08757    0.07953   1.101 0.270857    
## nota_transp        0.08505    0.02572   3.307 0.000943 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Names of linear predictors: logitlink(P[Y>=2]), logitlink(P[Y>=3]), 
## logitlink(P[Y>=4]), logitlink(P[Y>=5])
## 
## Residual deviance: 2586.373 on 4647 degrees of freedom
## 
## Log-likelihood: -1293.187 on 4647 degrees of freedom
## 
## Number of Fisher scoring iterations: 5 
## 
## Warning: Hauck-Donner effect detected in the following estimate(s):
## 'log(pib_per_cap)'
## 
## 
## Exponentiated coefficients:
## log(pib_per_cap)           Num_pl          Num_chl       Num_consor 
##        12.950555         1.067829         1.391059         1.091516 
##      nota_transp 
##         1.088769

07. Mapas

Not run
# Uso particular para configurações
#setwd("C:/r_files/my_academic_projects/capacidades/capacitties")
#save.image("capacities_raw_data_4.RData")
#load("capacities_raw_data_4.RData")
# rm(list = setdiff(ls(), "map"))
#save.image("capacities_raw_data_shapes.RData")
#load("capacities_raw_data_shapes.RData")
map <- shape_mun %>% 
   select(cod_mun = code_muni, geom) %>% 
   mutate(cod_mun = as.character(cod_mun)) %>% 
   left_join(capacities_4)

Config. para mapa

# #save(map, "map.RData")
# theme_map_manual <- function(){
#         theme(legend.position = c(0.35, 0.5), 
#         legend.justification = c("right", "top"),
#         legend.background = element_blank(),
#         plot.title=element_text( hjust=0, vjust=-5, face='bold', size = 12))
# }        

levels_map <- levels(map$Pl_class)
# inverter ordem e incluir NA
levels_map <- c(levels_map[c(4:1)], NA)

# Definir cores
colors_map <- c(scales::viridis_pal(option = "D")(4), "gray40")

# Definir cor para cada level
names(colors_map) <- levels_map

# Definir rótulos 
labels_map <- levels_map
labels_map[5] <- "Não analisados"

Planos

map_pl <- map %>% 
  ggplot()+
  geom_sf(aes(fill = fct_infreq(Pl_class)), colour = alpha("white", .3), lty=3)+
  scale_fill_manual(name = "Planos", 
                    values = colors_map,
                    na.value = "gray40",
                    limits = levels_map,
                    breaks = levels_map,
                    labels = labels_map)+
  geom_sf(data=shape_estado, fill=NA, color = "black")+
  ggthemes::theme_map()+
  theme_map_manual()+
  ggtitle("Planos")

Consorcios

map_consor <- map %>% 
  ggplot()+
  geom_sf(aes(fill = fct_infreq(Consor_class)), colour = alpha("white", .5), lty=3)+
  scale_fill_manual(name = "Consorcios", 
                    values = colors_map,
                    na.value = "gray40",
                    limits = levels_map,
                    breaks = levels_map,
                    labels = labels_map)+
  geom_sf(data=shape_estado, fill=NA, color = "black")+
  ggthemes::theme_map()+
  theme_map_manual()+
  ggtitle("Consorcios")

Conselhos

map_chl <- map %>% 
  ggplot()+
  geom_sf(aes(fill = fct_infreq(Chl_class)), 
          colour = alpha("white", .3), lty=3)+
  scale_fill_manual(name = "Conselhos", 
                    values = colors_map,
                    na.value = "gray40",
                    limits = levels_map,
                    breaks = levels_map,
                    labels = labels_map)+
  geom_sf(data=shape_estado, fill=NA, color = "black")+
  ggthemes::theme_map()+
  theme_map_manual()+
  ggtitle("Conselhos")

Transparencia

map_transp <- map %>% 
  ggplot()+
  geom_sf(aes(fill = nota_transp), 
          colour = alpha("white", .3), lty=3)+
  scale_fill_viridis_c(name = "Transparencia",
                    option = "D", direction=-1)+
  geom_sf(data=shape_estado, fill=NA, color = "black")+
  ggthemes::theme_map()+
  theme_map_manual()+
  theme(legend.justification = c("center", "top"))+
  ggtitle("Transparencia")

Visualizar mapas

mapas <- gridExtra::grid.arrange(map_pl, map_chl, map_consor, map_transp, ncol = 2)

mapas
## TableGrob (2 x 2) "arrange": 4 grobs
##   z     cells    name           grob
## 1 1 (1-1,1-1) arrange gtable[layout]
## 2 2 (1-1,2-2) arrange gtable[layout]
## 3 3 (2-2,1-1) arrange gtable[layout]
## 4 4 (2-2,2-2) arrange gtable[layout]

End